Analisi bibliometrica - I docenti del DMIF
Introduzione
Che cosa è la bibliometria?
La bibliometria è una disciplina che utilizza analisi quantitative e statistiche per analizzare le pubblicazioni scientifiche e le loro relazioni.
Il progetto si focalizza sull’analisi della produzione scientifica dei docenti del dipartimento DMIF dell’Università degli Studi di Udine, per cercare di dare una stima di:
come funziona la ricerca
quali sono i settori di maggiore interesse
gli autori più prolifici.
Per supporto all’analisi ho utilizzato una libreria, Bibliometrix (Aria and Cuccurullo 2017), sviluppata da due docenti dell’Università di Napoli.
Fonte dei dati
I dati analizzati in questo progetto sono stati scaricati (ultimo download: 15/07/2024) da Scopus, uno dei principali dabatase bibliografici. E’ stata selezionata la sottoarea della computer science e da successivamente sono stati selezionati 31 autori del DMIF, tra docenti e dottorandi.
Ogni articolo del dataframe contiene svariati attributi tra cui: la lista di autori, il titolo del documento, la sorgente di pubblicazione, il tipo di documento, le parole chiavi degli autori, le references, il numero di citazioni, l’anno di pubblicazione.
Analisi bibliometrica
Analisi descrittiva del dataframe
La tabella delle informazioni principali descrive le dimensioni della raccolta in termini di numero di documenti, numero di autori, numero di fonti, numero di parole chiave, durata e numero medio di citazioni.
“docs per autori” è calcolato come rapporto tra il numero totale di autori e il numero totale di articoli.
“co-autori per articolo” è calcolato come numero medio di co-autori per articolo.
MAIN INFORMATION ABOUT DATA
Timespan 1987 : 2024
Sources (Journals, Books, etc) 394
Documents 1279
Annual Growth Rate % 10.17
Document Average Age 10.7
Average citations per doc 13.94
Average citations per year per doc 1.25
References 29749
DOCUMENT CONTENTS
Keywords Plus (ID) 6360
Author's Keywords (DE) 2017
AUTHORS
Authors 1027
Author Appearances 4349
Authors of single-authored docs 17
AUTHORS COLLABORATION
Single-authored docs 77
Documents per Author 1.25
Co-Authors per Doc 3.4
International co-authorships % 32.53
Annual Scientific Production
Year Articles
1987 1
1988 1
1989 1
1990 1
1991 3
1993 4
1994 5
1995 12
1996 7
1997 10
1998 11
1999 9
2000 15
2001 17
2002 25
2003 23
2004 44
2005 29
2006 35
2007 49
2008 54
2009 60
2010 46
2011 44
2012 40
2013 32
2014 50
2015 58
2016 55
2017 60
2018 85
2019 59
2020 73
2021 62
2022 76
2023 87
2024 36
Annual Percentage Growth Rate 10.17
Most Productive Authors
Authors Articles Authors Articles Fractionalized
1 MONTANARI A 200 CHITTARO L 78.6
2 CHITTARO L 164 MONTANARI A 58.6
3 MIZZARO S 131 MIZZARO S 41.1
4 DOVIER A 119 POLICRITI A 40.3
5 POLICRITI A 111 DOVIER A 40.0
6 MICULAN M 84 MICULAN M 37.9
7 PIAZZA C 84 PIAZZA C 27.4
8 FORESTI GL 59 LANCIA G 26.1
9 PICIARELLI C 59 FRANCESCHET M 22.3
10 FONTANA F 57 BRAJNIK G 21.2
11 FORMISANO A 55 FONTANA F 17.8
12 LANCIA G 55 FORMISANO A 17.7
13 PONTELLI E 55 PICIARELLI C 17.2
14 ROITERO K 54 FORESTI GL 15.8
15 SALA P 53 PONTELLI E 15.3
Top manuscripts per citations
Paper DOI TC TCperYear NTC
1 CORNIA M, 2018, IEEE TRANS IMAGE PROCESS 10.1109/TIP.2018.2851672 410 58.57 26.48
2 BUTTUSSI F, 2018, IEEE TRANS VISUAL COMPUT GRAPHICS 10.1109/TVCG.2017.2653117 309 44.14 19.96
3 CHITTARO L, 2007, COMPUT EDUC 10.1016/j.compedu.2005.06.002 297 16.50 12.03
4 CHITTARO L, 2015, IEEE TRANS VISUAL COMPUT GRAPHICS 10.1109/TVCG.2015.2391853 265 26.50 15.88
5 NADALIN F, 2012, BMC BIOINFORM 10.1186/1471-2105-13-S14-S8 250 19.23 13.66
6 CHITTARO L, 2006, COMPUTER 10.1109/MC.2006.109 250 13.16 7.68
7 PICIARELLI C, 2006, PATTERN RECOGN LETT 10.1016/j.patrec.2006.02.004 222 11.68 6.82
8 JENSEN CS, 1998, LECT NOTES COMPUT SCI 10.1007/bfb0053710 220 8.15 4.51
9 FRANCESCHET M, 2010, J INF 10.1016/j.joi.2010.06.003 185 12.33 6.44
10 FRANCESCHET M, 2010, SCIENTOMETRICS 10.1007/s11192-009-0021-2 177 11.80 6.16
11 FRANCESCHET M, 2011, COMMUN ACM 10.1145/1953122.1953146 139 9.93 6.68
12 MIZZARO S, 1998, INTERACT COMPUT 10.1016/S0953-5438(98)00012-5 139 5.15 2.85
13 BURIGAT S, 2007, INT J HUM COMPUT STUD 10.1016/j.ijhcs.2007.07.003 131 7.28 5.30
14 BUTTUSSI F, 2008, ARTIF INTELL MED 10.1016/j.artmed.2007.11.004 130 7.65 7.43
15 DOVIER A, 2004, THEOR COMPUT SCI 10.1016/S0304-3975(03)00361-X 119 5.67 5.14
Corresponding Author's Countries
Country Articles Freq SCP MCP MCP_Ratio
1 ITALY 652 0.88227 518 134 0.206
2 SWITZERLAND 12 0.01624 0 12 1.000
3 UNITED KINGDOM 11 0.01488 0 11 1.000
4 USA 9 0.01218 0 9 1.000
5 SPAIN 8 0.01083 0 8 1.000
6 DENMARK 7 0.00947 0 7 1.000
7 FRANCE 6 0.00812 0 6 1.000
8 MEXICO 5 0.00677 0 5 1.000
9 NETHERLANDS 5 0.00677 0 5 1.000
10 FINLAND 3 0.00406 0 3 1.000
11 ICELAND 3 0.00406 0 3 1.000
12 AUSTRALIA 2 0.00271 0 2 1.000
13 AUSTRIA 2 0.00271 0 2 1.000
14 CYPRUS 2 0.00271 0 2 1.000
15 GERMANY 2 0.00271 0 2 1.000
SCP: Single Country Publications
MCP: Multiple Country Publications
Total Citations per Country
Country Total Citations Average Article Citations
1 ITALY 11155 17.11
2 DENMARK 227 32.43
3 USA 209 23.22
4 UNITED KINGDOM 200 18.18
5 SPAIN 123 15.38
6 FRANCE 94 15.67
7 MEXICO 81 16.20
8 NETHERLANDS 69 13.80
9 CYPRUS 65 32.50
10 SOUTH AFRICA 65 65.00
11 FINLAND 42 14.00
12 AUSTRALIA 37 18.50
13 SWITZERLAND 32 2.67
14 ICELAND 22 7.33
15 POLAND 22 11.00
Most Relevant Sources
Sources
1 LECTURE NOTES IN COMPUTER SCIENCE (INCLUDING SUBSERIES LECTURE NOTES IN ARTIFICIAL INTELLIGENCE AND LECTURE NOTES IN BIOINFORMATICS)
2 CEUR WORKSHOP PROCEEDINGS
3 THEORETICAL COMPUTER SCIENCE
4 LEIBNIZ INTERNATIONAL PROCEEDINGS IN INFORMATICS LIPICS
5 ACM INTERNATIONAL CONFERENCE PROCEEDING SERIES
6 ELECTRONIC PROCEEDINGS IN THEORETICAL COMPUTER SCIENCE EPTCS
7 ELECTRONIC NOTES IN THEORETICAL COMPUTER SCIENCE
8 EURO ADVANCED TUTORIALS ON OPERATIONAL RESEARCH
9 INFORMATION AND COMPUTATION
10 INTERNATIONAL JOURNAL OF HUMAN COMPUTER STUDIES
11 THEORY AND PRACTICE OF LOGIC PROGRAMMING
12 COMMUNICATIONS IN COMPUTER AND INFORMATION SCIENCE
13 FUNDAMENTA INFORMATICAE
14 INFORMATION PROCESSING AND MANAGEMENT
15 JOURNAL OF LOGIC AND COMPUTATION
Articles
1 249
2 118
3 33
4 29
5 26
6 25
7 24
8 16
9 15
10 15
11 14
12 13
13 12
14 10
15 10
Most Relevant Keywords
Author Keywords (DE) Articles Keywords-Plus (ID) Articles
1 EVALUATION 31 COMPUTER CIRCUITS 125
2 MODEL CHECKING 26 SEMANTICS 103
3 VIRTUAL REALITY 25 TEMPORAL LOGIC 100
4 MOBILE DEVICES 24 LOGIC PROGRAMMING 97
5 INTERVAL TEMPORAL LOGIC 22 ARTIFICIAL INTELLIGENCE 92
6 DEEP LEARNING 21 INFORMATION RETRIEVAL 72
7 CROWDSOURCING 19 AUTOMATA THEORY 68
8 COMPLEXITY 18 INTERVAL TEMPORAL LOGIC 68
9 MACHINE LEARNING 16 ALGORITHMS 64
10 BISIMULATION 15 COMPUTABILITY AND DECIDABILITY 61
11 DECIDABILITY 15 VIRTUAL REALITY 61
12 ANSWER SET PROGRAMMING 14 MODEL CHECKING 60
13 TRAINING 14 COMPUTER SCIENCE 55
14 COMPUTATIONAL COMPLEXITY 13 FORMAL LOGIC 52
15 TREC 13 COMPUTATION THEORY 50Prof. Montanari autore più produttivo con 196 articoli
Italia paese più produttivo, alcuni autori erano in altri paesi (esempio Svizzera, UK) quando hanno pubblicato
anno più produttivo: 2023 con 87 pubblicazioni
anno con media citazioni in articoli più alta: 2018
anno con più citazioni: 1987
Documenti per tipo
DT n
1 CONFERENCE PAPER 713
2 ARTICLE 462
3 BOOK CHAPTER 42
4 EDITORIAL 40
5 REVIEW 16
6 ERRATUM 2
7 BOOK 1
8 DATA PAPER 1
9 NOTE 1
10 SHORT SURVEY 1Il tipo di pubblicazione più presente è il conference paper, seguito da articoli e capitoli di libro.
Analisi dei riferimenti citati
Possiamo analizzare la frequenza dei riferimenti/primi autori più citati nel dataset in analisi.
Papers citati più frequentemente:
[,1]
MOSZKOWSKI B., REASONING ABOUT DIGITAL CIRCUITS, (1983) 36
ALLEN J.F., MAINTAINING KNOWLEDGE ABOUT TEMPORAL INTERVALS, COMMUNICATIONS OF THE ACM, 26, 11, PP. 832-843, (1983) 32
BRESOLIN D., GORANKO V., MONTANARI A., SCIAVICCO G., PROPOSITIONAL INTERVAL NEIGHBORHOOD LOGICS: EXPRESSIVENESS, DECIDABILITY, AND UNDECIDABLE EXTENSIONS, ANNALS OF PURE AND APPLIED LOGIC, 161, 3, PP. 289-304, (2009) 25
VENEMA Y., A MODAL LOGIC FOR CHOPPING INTERVALS, JOURNAL OF LOGIC AND COMPUTATION, 1, 4, PP. 453-476, (1991) 25
HALPERN J., SHOHAM Y., A PROPOSITIONAL MODAL LOGIC OF TIME INTERVALS, JOURNAL OF THE ACM, 38, 4, PP. 935-962, (1991) 23
VENEMA Y., EXPRESSIVENESS AND COMPLETENESS OF AN INTERVAL TENSE LOGIC, NOTRE DAME JOURNAL OF FORMAL LOGIC, 31, 4, PP. 529-547, (1990) 23
HALPERN J.Y., SHOHAM Y., A PROPOSITIONAL MODAL LOGIC OF TIME INTERVALS, JOURNAL OF THE ACM, 38, 4, PP. 935-962, (1991) 21
HILLSTON J., A COMPOSITIONAL APPROACH TO PERFORMANCE MODELLING, (1996) 19
ALLEN J.F., MAINTAINING KNOWLEDGE ABOUT TEMPORAL INTERVALS, COMMUN. ACM, 26, 11, PP. 832-843, (1983) 17
BRESOLIN D., MONTANARI A., SCIAVICCO G., AN OPTIMAL DECISION PROCEDURE FOR RIGHT PROPOSITIONAL NEIGHBORHOOD LOGIC, JOURNAL OF AUTOMATED REASONING, 38, 1-3, PP. 173-199, (2007) 16Vediamo che 2 articoli del Professor Montanari sono tra i più citati.
Primi autori citati più frequentemente:
[,1]
MONTANARI A 1120
ET AL 1063
SCIAVICCO G 449
DOVIER A 409
MIZZARO S 407
POLICRITI A 381
SALA P 380
CHITTARO L 365
PONTELLI E 348
BRESOLIN D 345
GORANKO V 292
MICULAN M 285
PIAZZA C 271
PERON A 242
FORMISANO A 199Vediamo che gli autori più frequentemente citati sono i Professori Montanari, Dovier, Mizzaro e Policriti.
H-index degli autori
L’h-index è una metrica a livello di autore che cerca di misurare sia la produttività che l’impatto citazionale delle pubblicazioni.
L’indice si basa sull’insieme degli articoli più citati dello scienziato e sul numero di citazioni ricevute in altre pubblicazioni. L’indice è strutturato per quantificare mediante un singolo indice numerico non solo la produzione, ma anche l’influenza di uno scienziato, distinguendolo da chi avesse pubblicato molti articoli ma di scarso interesse.
Quindi uno scienziato ha un indice n se almeno n lavori tra quelli che ha pubblicato sono stati citati almeno n volte ciascuno.
L’indice è definito in modo tale che sull’insieme dato di articoli, ordinati in ordine decrescente di citazioni ricevute, il valore dell’indice-g è assegnato quando i primi g articoli hanno ricevuto cumulativamente \(g^2\) citazioni. \[g^2 \leq \sum_{i \leq g} c_i\]
L’ M-index è definito come h/n, dove h è l’ H-index e n è il numero di anni trascorsi dalla prima pubblicazione del ricercatore.
H-index dei primi 10 autori più produttivi (in questa raccolta):
Element h_index g_index m_index TC NP PY_start
1 CHITTARO L 39 65 1.1470588 4886 164 1991
2 MONTANARI A 23 36 0.7187500 2144 200 1993
3 MIZZARO S 20 33 0.7142857 1453 131 1997
4 POLICRITI A 19 36 0.5428571 1608 111 1990
5 DOVIER A 18 29 0.6666667 1212 119 1998
6 PICIARELLI C 17 29 0.8500000 961 59 2005
7 MICULAN M 16 23 0.5161290 709 84 1994
8 PIAZZA C 16 27 0.6400000 894 84 2000
9 FORESTI GL 15 28 0.7500000 874 59 2005
10 FONTANA F 9 13 0.6000000 262 57 2010Gli autori con l’H-index più alto sono i Prof. Chittaro, Prof. Montanari e Prof. Mizzaro.
Matrici di rete bibliografica
Gli attributi del paper sono collegati tra loro attraverso il paper stesso: autore/i alla rivista, parole chiave alla data di pubblicazione, ecc. Alcune delle analisi descrittive viste in precedenza si possono visualizzare attraverso reti bipartite.
Reti bipartite
Queste connessioni di diversi attributi generano reti bipartite che possono essere rappresentate come matrici rettangolari (Papers x Attributi).
Rete Paper x Fonte di pubblicazione:
L’oggetto è una matrice binaria rettangolare che rappresenta una rete bipartita in cui le righe e le colonne sono, in questo caso, rispettivamente papers e fonti.
L’elemento generico \(bip_{ij}\) è 1 se il paper i è stato pubblicato nella fonte j, 0 altrimenti.
La somma della colonna j-esima \(bip_j\) rappresenta il numero di papers pubblicati nella fonte j.
Fonti di pubblicazione più rilevanti:
LECTURE NOTES IN COMPUTER SCIENCE (INCLUDING SUBSERIES LECTURE NOTES IN ARTIFICIAL INTELLIGENCE AND LECTURE NOTES IN BIOINFORMATICS)
249
CEUR WORKSHOP PROCEEDINGS
118
THEORETICAL COMPUTER SCIENCE
33
LEIBNIZ INTERNATIONAL PROCEEDINGS IN INFORMATICS, LIPICS
29
ACM INTERNATIONAL CONFERENCE PROCEEDING SERIES
26 Rete degli autori: paper x autore, conta quanti articoli fatti da autori
MONTANARI A CHITTARO L MIZZARO S DOVIER A POLICRITI A
200 164 131 119 111 Accoppiamento bibliografico - autori
Le pubblicazioni scientifiche contengono riferimenti ad altri lavori scientifici. Questo genera un’altra rete, quella delle reti di accoppiamento o co-citazioni.
Due autori sono accoppiati bibliograficamente se almeno una fonte citata compare nelle loro pubblicazioni.
Rete di accoppiamento: \[B = A\cdot A^T\] dove A è una rete bipartita. Due autori sono collegati da un arco nella rete se citano insieme uno o più documenti.
L’elemento \(b_{i,j}\) indica quanti accoppiamenti bibliografici esistono tra i e j. La forza dell’accoppiamento di due autori, i e j, è definita dal numero di riferimenti che gli autori hanno in comune.
L’accoppiamento bibliografico tra autori è una misura di quanto due autori condividono riferimenti comuni nelle loro pubblicazioni. In altre parole, quanti autori citano gli stessi lavori nelle loro ricerche.
Analisi della rete RIVEDERE BENE
Il nodo più centrale della rete risulta essere il Professor Montanari, con i valori più alti di tutti in queste tre metriche 1.
Il Professor Sciavicco si posiziona in alto per la betweenness centrality, indicando un ruolo di ponte tra diverse comunità di autori.
vertex cluster btw_centrality clos_centrality eigen_centrality pagerank_centrality
1 montanari a 1 13.39368687 0.05263158 1.0000000 0.07111749
2 chittaro l 1 11.48971861 0.05000000 0.9682914 0.06751231
4 dovier a 1 6.34844877 0.04761905 0.9517021 0.06355369
5 policriti a 1 1.01709957 0.04166667 0.8519340 0.05281062
6 miculan m 1 2.87857143 0.03703704 0.6407811 0.04390158
7 piazza c 1 4.41273449 0.04545455 0.9197720 0.05994769
10 formisano a 1 0.22222222 0.03703704 0.7017598 0.04287273
11 pontelli e 1 5.30357143 0.04545455 0.9043967 0.06022433
13 sala p 1 0.09090909 0.03846154 0.7612207 0.04604983
14 sciavicco g 1 9.21749639 0.05000000 0.9780838 0.06727353
16 peron a 1 0.40202020 0.04000000 0.8086375 0.04939492
17 bresolin d 1 0.09090909 0.03846154 0.7612207 0.04604983
18 bozzelli l 1 0.00000000 0.03703704 0.7001122 0.04280464
19 della monica d 1 1.01709957 0.04166667 0.8519340 0.05281062
20 molinari a 1 0.40202020 0.04000000 0.8086375 0.04939492
3 mizzaro s 2 1.38253968 0.03571429 0.5347086 0.04137361
8 foresti gl 2 0.66468254 0.03333333 0.3904441 0.03500198
9 piciarelli c 2 0.52182540 0.03225806 0.3243567 0.03169540
12 roitero k 2 0.87301587 0.03448276 0.4725611 0.03810668
15 serra g 2 1.27142857 0.03448276 0.4692827 0.03810361
Main statistics about the network
Size 1027
Density 0.015
Transitivity 0.344
Diameter 5
Degree Centralization 0.175
Average path length 2.893
Densità: indica una rete sparsa.
Transitività: livello di clustering moderato.
Centralizzazione del grado: misura la concentrazione dei collegamenti nella rete, significa che la distribuzione dei gradi non è completamente uniforme, con alcuni autori che hanno un numero di collegamenti significativamente maggiore rispetto ad altri.
Lunghezza media dei percorsi: molto breve.
Collaborazione autori
La rete di collaborazione scientifica è una rete in cui i nodi sono gli autori e i legami sono le coautorialità, in quanto quest’ultima è una delle forme più documentate di collaborazione scientifica (Glanzel, 2004).
Una rete di collaborazione tra autori può essere ottenuta utilizzando la formulazione generale: \[AC=A^T \cdot A\] dove A è una rete bipartita Papers x Autori.
L’elemento diagonale \(ac_i\) è il numero di papers di cui il ricercatore \(i\) è autore o coautore.
Sono presenti 4 clusters ed in ognuno di essi è presente almeno un nodo con dei valori alti di centralità, il che indica un ruolo di connessione e influenza all’interno del cluster.
cluster 1: Prof. Chittaro e Prof. Serra
cluster 2: Prof. Dovier e Prof. Policriti
cluster 3: Prof. Montanari
cluster 4: Prof. Mizzaro e Prof. Della Mea
Main statistics about the network
Size 1027
Density 0.009
Transitivity 0.546
Diameter 7
Degree Centralization 0.115
Average path length 3.764
Densità: rete molto sparsa.
Transitività: livello di clustering elevato.
Centralizzazione del grado: distribuzione dei gradi non è completamente uniforme, con alcuni autori che hanno un numero di collegamenti significativamente maggiore rispetto ad altri.
Lunghezza media dei percorsi: molto breve.
Centralità dei nodi
Author PageRank
MIZZARO S MIZZARO S 0.022636312
MONTANARI A MONTANARI A 0.022060924
CHITTARO L CHITTARO L 0.019531238
DOVIER A DOVIER A 0.015664215
POLICRITI A POLICRITI A 0.014577407
FONTANA F FONTANA F 0.012783335
PIAZZA C PIAZZA C 0.012274768
ROITERO K ROITERO K 0.010918362
MICULAN M MICULAN M 0.010260782
SERRA G SERRA G 0.009314755I Prof. Mizzaro e Montanari sono i due autori con i valori di PageRank più alti; implica che sono nodi che hanno molti collegamenti da altri nodi potenzialmente centrali e parsimoniosi dal punto di vista dei collagamenti e sono anche probabilmente altamente collegati.
# A tibble: 10 × 5
name degree closeness betweenness eigen
<chr> <dbl> <dbl> <dbl> <dbl>
1 MONTANARI A 573 0.000413 132484. 1
2 MIZZARO S 385 0.000364 88712. 0.00661
3 DOVIER A 278 0.000394 86414. 0.0390
4 CHITTARO L 260 0.000397 91725. 0.0419
5 POLICRITI A 233 0.000376 100099. 0.0916
6 FORESTI GL 213 0.000369 51786. 0.000762
7 ROITERO K 209 0.000343 21271. 0.00607
8 PIAZZA C 205 0.000340 44883. 0.0611
9 PICIARELLI C 197 0.000312 5976. 0.000458
10 SCIAVICCO G 173 0.000353 7689. 0.540 Le altre misure di centralità (betweenness, che misura il numero di cammini più brevi che passano per un determinato nodo; closeness, che misura la distanza media da un nodo agli altri, e dell’autovettore, in cui un nodo è importante se è collegato ad altri nodi importanti) indicano che il nodo più centrale di questa rete è il Prof. Montanari.
Power measure
Analizzo la misura di potenza, che dice che un nodo è potente se è connesso a nodi non potenti.
Author PowerPercentage
6 MICULAN M 13.824084
5 POLICRITI A 9.242846
4 DOVIER A 6.816099
2 CHITTARO L 6.669387
1 MONTANARI A 6.471173
3 MIZZARO S 5.859651[1] 0.6162251Ricavo che i nodi più potenti all’interno della rete delle collaborazioni sono il Prof. Miculan (13.8% del potere totale) e il Prof. Policriti (9.2% del potere totale).
Per ulteriore controllo, calcolo la correlazione tra il grado del nodo e il potere: 0.6162251; vuol dire che c’è una piccola correlazione.
Analisi parole chiave
Rete parole chiave
Rete Bipartita Papers x Keyword Scopus
Ogni paper ha associate delle parole chiave dal database di Scopus.
Word cloud
Dai dati della rete bipartita è possibile creare un df con le frequenze delle parole, da cui si può ricavare una word cloud.
Le tre parole più presenti sono Computer Circuits (125), Semantics (101) e Temporal Logic (99).
Rete co-occorrenze parole chiave
Ci sono 2 cluster di parole chiave:
nel primo, il nodo più centrale secondo le metriche di betweenness e closeness è “Mobile Devices”; mentre “Algorithms” risulta il nodo con centralità di autovettore e PageRank più alto;
nel secondo, “Computer Programming” è il nodo con betweenness e clonesess più alta, mentre “Computer Circuits” ha centralità di autovettore e PageRank più alto.
vertex cluster btw_centrality clos_centrality
6 information retrieval 1 22.7247475 0.01785714
8 algorithms 1 18.5488456 0.01818182
10 virtual reality 1 20.0707431 0.01694915
15 deep learning 1 1.3166667 0.01190476
18 mobile devices 1 93.9319264 0.02173913
20 computer simulation 1 38.2069264 0.01923077
23 user interfaces 1 13.8274170 0.01724138
25 human 1 1.6833333 0.01470588
26 websites 1 3.1761905 0.01562500
28 learning systems 1 15.6822150 0.01754386
29 humans 1 1.7261905 0.01492537
30 article 1 13.8857143 0.01562500
1 computer circuits 2 0.0000000 0.01162791
2 semantics 2 1.5568182 0.01369863
3 temporal logic 2 1.5333333 0.01428571
4 logic programming 2 15.0326840 0.01369863
5 artificial intelligence 2 4.3330087 0.01562500
7 automata theory 2 5.1425325 0.01538462
9 computability and decidability 2 9.9246753 0.01492537
11 model checking 2 1.9833333 0.01515152
12 computer science 2 25.6989177 0.01666667
13 formal logic 2 0.9909091 0.01449275
14 computation theory 2 23.4865079 0.01694915
16 computer programming languages 2 14.0134921 0.01754386
17 problem solving 2 23.4572511 0.01818182
19 mathematical models 2 13.1889250 0.01785714
21 algebra 2 5.2250000 0.01369863
22 calculations 2 15.2571429 0.01587302
24 computational complexity 2 2.0825758 0.01428571
27 computer programming 2 40.8948413 0.01923077
eigen_centrality pagerank_centrality
6 0.046932734 0.02476622
8 0.177489978 0.04355453
10 0.026057497 0.02185408
15 0.016518711 0.01395509
18 0.025046533 0.01951224
20 0.102193499 0.02952281
23 0.028194766 0.01982834
25 0.022427446 0.03148577
26 0.004812856 0.01289924
28 0.068954814 0.01805046
29 0.019511719 0.02809363
30 0.021262896 0.02500984
1 1.000000000 0.07825275
2 0.546762031 0.05960382
3 0.880195258 0.06228314
4 0.531650385 0.05008125
5 0.387690911 0.04633843
7 0.384948938 0.03725686
9 0.452589226 0.03710111
11 0.606129188 0.04286465
12 0.206270171 0.03090169
13 0.388602120 0.03819471
14 0.415216373 0.03545831
16 0.333866484 0.03492189
17 0.181883648 0.03177657
19 0.167553626 0.02966851
21 0.199775060 0.02776618
22 0.176872532 0.02015103
24 0.249872357 0.02937229
27 0.136806232 0.01947456Mappa tematica RIVEDERE
L’analisi di co-occorrenza delle parole chiave genera cluster tematici, la cui densità e centralità permettono di classificarli e mapparli in un diagramma bidimensionale, creando una mappa tematica.
Essa consente di analizzare i temi in base al quadrante in cui sono collocati:
quadrante in alto a destra: temi motori (cluster molto denso e molto centrale);
quadrante in basso a destra: temi di base (cluster poco denso ma molto centrale);
quadrante in basso a sinistra: temi emergenti o in via di estinzione (cluster poco denso e poco centrale);
quadrante in alto a sinistra: temi molto specializzati/di nicchia (cluster molto denso e poco centrale).
La colonna r.rel si riferisce alle frequenze relative delle parole all’interno del cluster di appartenenza.
Ad esempio, il cluster in cui spicca la parola “algorithms” è nel quadrante dei temi di base, mentre “crowdsourcing” si trova nel quadrante dei temi emergenti o in declino. Il cluster con “finite element method” si trova nel quadrante dei temi di nicchia.
# A tibble: 45 × 4
# Groups: Cluster [9]
Cluster Words Occurrences n.rel
<dbl> <chr> <dbl> <dbl>
1 1 algorithms 63 0.0696
2 1 deep learning 37 0.0409
3 1 computer simulation 37 0.0409
4 1 learning systems 31 0.0343
5 1 database systems 30 0.0331
6 2 semantics 101 0.0474
7 2 logic programming 92 0.0432
8 2 artificial intelligence 88 0.0413
9 2 automata theory 67 0.0315
10 2 computer science 55 0.0258
# ℹ 35 more rowsConclusione RIFARE
All’interno del dipartimento operano gruppi di ricerca che si distinguono per una notevole produttività scientifica, la quale si traduce in un significativo apporto alla letteratura di settore. Pur focalizzandosi su ambiti di ricerca differenti, i gruppi collaborano attivamente tra loro, favorendo lo scambio di conoscenze e competenze.
Tutte le nozioni viste a lezione sono utilizzate ma non ri-definite.↩︎